Engineering MLOps: costruire, testare e gestire rapidamente cicli di vita dell'apprendimento automatico pronti per la produzione su scala.

Recensioni dei lettori

Il libro è apprezzato per il suo approccio pratico agli MLOp, che fornisce implementazioni pratiche ed esempi reali, in particolare utilizzando i servizi Azure. Copre i concetti fondamentali e costituisce una buona introduzione sia per i principianti che per gli ingegneri esperti. Tuttavia, è stato criticato per gli errori di battitura, i contenuti obsoleti e la dipendenza da Azure, che potrebbero limitarne l'applicabilità a chi utilizza altre piattaforme cloud.

⬤ Esempi pratici e implementazione pratica
⬤ linguaggio chiaro e semplice
⬤ panoramica completa di MLOps
⬤ utile sia per gli ingegneri esperti che per i professionisti aziendali
⬤ copertura di alto livello delle varie tecniche MLOps
⬤ buon equilibrio tra teoria e pratica
⬤ altamente raccomandato per i principianti.

⬤ Correzione lacunosa con diversi errori di battitura
⬤ gli esempi potrebbero diventare obsoleti con gli aggiornamenti di Azure
⬤ alcuni contenuti sembrano una scatola nera a causa della forte dipendenza da Azure
⬤ mancano approfondimenti teorici sull'analisi delle prestazioni dei modelli
⬤ problemi di discrepanze di codice tra il libro e il repository.

(basato su 15 recensioni dei lettori)

Titolo originale:

Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale

Contenuto del libro:

Iniziare a lavorare con la gestione del ciclo di vita dell'apprendimento automatico e implementare MLOps nella vostra organizzazione.

Caratteristiche principali:

⬤ Diventate esperti di tecniche MLOps per monitorare la qualità dei modelli di apprendimento automatico in produzione.

⬤ Esplorate un framework di monitoraggio per i modelli di ML in produzione e imparate a conoscere la tracciabilità end-to-end per i modelli distribuiti.

⬤ Eseguire CI/CD per automatizzare le nuove implementazioni nelle pipeline di ML.

Descrizione del libro:

MLOps è un approccio sistematico alla costruzione, alla distribuzione e al monitoraggio di soluzioni di apprendimento automatico (ML). È una disciplina ingegneristica che può essere applicata a vari settori e casi d'uso. Questo libro presenta una visione completa di MLOps insieme a esempi reali per aiutarvi a scrivere programmi, addestrare modelli di ML robusti e scalabili e costruire pipeline di ML per addestrare e distribuire i modelli in modo sicuro in produzione.

Il libro inizia con la familiarizzazione con il flusso di lavoro MLOps, in modo da poter iniziare a scrivere programmi per addestrare i modelli ML. Si passa poi a esplorare le opzioni per la serializzazione e l'impacchettamento dei modelli di ML dopo l'addestramento, per distribuirli e facilitare l'inferenza dell'apprendimento automatico, l'interoperabilità dei modelli e la tracciabilità dei modelli end-to-end. Capirete come costruire pipeline di ML, pipeline di integrazione continua e consegna continua (CI/CD) e pipeline di monitoraggio per costruire, distribuire, monitorare e governare sistematicamente soluzioni di ML per aziende e industrie. Infine, applicherete le conoscenze acquisite per realizzare progetti reali.

Alla fine di questo libro sul ML, avrete una visione a 360 gradi di MLOps e sarete pronti a implementare MLOps nella vostra organizzazione.

Che cosa imparerete:

⬤ Formulare strategie di governance dei dati e pipeline per la formazione e l'implementazione di ML.

⬤ Imparare a implementare pipeline di ML, pipeline CI/CD e pipeline di monitoraggio ML.

⬤ Progettare un microservizio e un'API robusti e scalabili per gli ambienti di test e di produzione.

⬤ Curare i processi CD personalizzati per casi d'uso e organizzazioni correlate.

⬤ Monitorare i modelli di ML, compreso il monitoraggio della deriva dei dati, della deriva dei modelli e delle prestazioni dell'applicazione.

⬤ Costruire e mantenere sistemi di ML automatizzati.

A chi è rivolto questo libro:

Questo libro MLOps è rivolto a data scientist, ingegneri del software, ingegneri DevOps, ingegneri dell'apprendimento automatico e leader aziendali e tecnologici che desiderano costruire, distribuire e mantenere sistemi di ML in produzione utilizzando i principi e le tecniche MLOps. Per iniziare a leggere questo libro è necessaria una conoscenza di base dell'apprendimento automatico.